2026年11月1日
Technology Watch

研究室から産業へ。新しい技術の道筋を追う

← トップへ

arXiv

FacebookとLinkedInから18セントでソーシャルエンジニアリング用プロファイルを作成

AI が描いたイメージ

安価な言語モデルによるプロファイリングで、その人が説得されることを証明せずに、どの個別化されたソーシャルエンジニアリング手法が合うかを特定できる。サイバーセキュリティ専門家14人が参加した予備試験では、システムが参加者の第一候補を約半数の割合で当てた。組織が同意を得たうえで露出を減らすために使えば、従業員は、昔の会議に関する投稿や職務記述、趣味についての更新が、信じらしさのある偽の採用担当者からのメッセージをどう支えるかを確認できる。

公開されたLinkedInの職歴や、Facebookの数件の投稿は、それぞれ単独では無害に見えることがある。片方には勤務先が示され、もう片方には趣味や会議について書かれているかもしれない。現在、こうした断片を、その人の習慣や関心、予想される反応についての有用な全体像に変えるには、通常、熟練した分析担当者が手作業で取り組む必要がある。偽の採用担当者や記者、ヘルプデスクの担当者が利用する前に、そうした断片が作り出す攻撃用プロファイルを確認できる人はほとんどいない。

公開情報から分かること

ソーシャルエンジニアリングとは、相手が警戒を下げるほど、依頼や身元を信じられるものに見せる技術である。攻撃者は、必ずしも秘密を必要としない。公開された役職名や文章の書き方、特定のテーマへの関心が組み合わさると、説得力のあるストーリーになる。

重要なのは、その組み合わせである。事実を見つけることは、推測された特性が正しいと証明することと同じではない。また、その人がどの手法を好むか予測することは、その人がリンクをクリックしたり、パスワードを渡したりすると示すことと同じではない。公開ウェブサイトも、レート制限やボット検知によって自動収集を制限している。ただし、公開情報やログイン後に見られる情報は、今でも有用な偵察材料になりうる。

ばらばらの投稿をプロファイルに変える

研究者たちは、認証済みセッションを通じて、公開状態にあるFacebookとLinkedInの情報を収集するパイプラインを構築した。ブラウザー・スクレイピングソフトがデータを集める。その後、大規模言語モデル（LLM）――通常の言語を読み取り、整理できるシステム――が、抽出された事実と推測された特性を分け、構造化されたプロファイルにまとめる。

このシステムは、その人が直接述べたことを記録しながら、コミュニケーションの習慣や関心のありそうな分野についての推測は別に保持できる。次に、キャリア関連やコミュニケーション関連の切り出し方など、個別化された接触方法の候補を作り、その選択肢が本人の好みに合うかどうかを尋ねる。

サイバーセキュリティ専門家14人が参加した予備試験では、システムの順位付けは偶然よりも良かった。第一候補は、参加者の選択と約半分の割合で一致した。報告された費用は、プロファイル1件あたりわずか$0.14–$0.18だった。これにより、手作業の偵察なら費用も時間もかかっていた作業を、繰り返し大規模に実行できるほど安価になった。

しかし、これは認識のテストであり、説得のテストではない。参加者は候補となる接触方法を順位付けしたが、研究者は実際のソーシャルエンジニアリングメッセージを送らなかった。したがって、この結果は、システムが誰かにクリックさせたり、認証情報を明かさせたり、有害な依頼に従わせたりできることを示していない。複数の手法のうち、どれが個人的に最も適していそうかを、低コストのモデルがしばしば特定できることを示している。

Refer to caption
Figure 4: Two-tier user profiling data model.#### 5.1.3 User Profile Data Model 出典: Social-HUMINT: An LLM-Augmented Unified Framework for Measuring Social Media Exposure（arXiv）
Refer to caption
Figure 8: Perception survey: likert-scale responses (0–5, n=14n=14). Bars extend left for ratings ≤2\\leq 2 and right for ratings ≥3\\geq 3.As Fig. [8](https://arxiv.org/html/#S6.F8 "Figure 8 ‣ 6.2.5 Perception Survey ‣ 6.2 Operational Validation ‣ 6 Empirical Validation ‣ Social-HUMINT: An LLM-Augmented Unified Framework for Measuring Social Media Exposure") shows, pipeline outputs were perceived as highly accurate even by privacy-conscious users with varying activity levels. Indeed, despite variance in social-media activity across participants (S1–S2) and uniformly high privacy awareness (S3), participants rated extraction and inference accuracy highly (S4–S5, μ=4.4\\mu=4.4, with all 14 ratings at 4 or 5) and found the engagement questions relevant to their real profiles (S6, μ=4.1\\mu=4.1). 出典: Social-HUMINT: An LLM-Augmented Unified Framework for Measuring Social Media Exposure（arXiv）

攻撃ツールから安全性のチェックへ

より多くの人やプラットフォームでこの結果が再現されるなら、攻撃者より先に、セキュリティチームが同じプロセスを使える可能性がある。企業の調査では、従業員は、昔の会議に関する投稿や公開された職務記述、最近の趣味についての更新が、信じらしさのある偽の採用担当者からのメッセージを形作っていることを確認できる。そうすれば、そうした情報の一部を削除したり変更したりできる。

これは、フィッシング対策をより早い段階に移すことになる。悪意あるメールを待って見抜こうとする代わりに、組織は、そもそもなぜ特定のメッセージがもっともらしく感じられるのかを調べられる。個人も、無害に見える複数の情報開示が、組み合わさるとより多くを明らかにする理由を確認できる。

保護につながるかどうかは、システムの使い方にかかっている。組織には、意味のある同意、収集と保存に対する制限、そして従業員を監視するのではなく露出を減らすという明確な目的が必要になる。著者たちも、予備試験が2つのプラットフォームだけを対象とし、特定のモデルに依存し、自己申告による検証を使っており、誤ったデータがなお含まれている可能性を認めている。低コストは防御側に役立つかもしれないが、攻撃者にとっての障壁も下げる。プロファイリングが説得に変わったということが重要なのではない。個別化された偵察に専門家がもはや必要でなくなる可能性があるということ、そしてそれによって、露出を確認し制限することがより急務になるということが重要である。

Sources

Social-HUMINT: An LLM-Augmented Unified Framework for Measuring Social Media Exposure